Multimodal pseudo-CT synthesis for PET attenuation correction using separate modality encoding and topogram conditioning
تقدم هذه الورقة شبكة U-Net ثلاثية الأبعاد تعتمد على الرقع (patch-based) ومتعددة الوسائط، تقوم بتوليد صور CT كاذبة لتصحيح توهين الـ PET من خلال دمج مشفرات منفصلة لكل من الـ PET والـ MRI مع تكييف التوجيه (topogram conditioning) القائم على تقنية FiLM لدمج المعلومات عبر الوسائط بفعالية مع تقليل الاعتماد على المحاذاة الدقيقة على مستوى الفوكسل.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم التصوير الطبي، يعتمد الأطباء غالباً على أداتين قويتين لرؤية داخل جسم الإنسان: التصوير المقطعي بالإصدار البوزيتروني، أو PET، الذي يكشف عن كيفية عمل الأعضاء من خلال تتبع المواد المشعة، والتصوير المقطعي المحوسب، أو CT، الذي يستخدم الأشعة السينية لإنشاء خرائط مفصلة لكثافة العظام والأنسجة. ولجعل فحص PET مفيداً، يحتاج الكمبيوتر إلى معرفة مقدار ما ستحجبه أو تمتصه أنسجة الجسم من الإشعاع أثناء انتقاله؛ وتسمى هذه العملية "تصحيح الوهن" (attenuation correction). تقليدياً، استخدم الأطباء فحص CT لتوفير هذه الخريطة، إلا أن فحص CT يضيف جرعة كبيرة من الإشعడిوني المؤين للمريض، وهو أمر يثير القلق، خاصة لأولئك الذين يحتاجون إلى مراقبة متكررة. التحدي إذن، هو إنشاء نسخة رقمية من خريطة الكثافة تلك — "pseudo-CT" (تصوير مقطعي محوسب زائف) — باستخدام المعلومات الموجودة بالفعل في فحص PET وصورة الرنين المغناطيسي (MRI)، دون تعريض المريض لأي أشعة سينية إضافية.
قام فريق من الباحثين من جامعة مانشستر بمعالجة هذه المشكلة من خلال المشاركة في مسابقة صُممت لاختبار هذه القدرة تحديداً. لقد بنوا نظاماً حاسوبياً متطوراً قادراً على النظر في ثلاثة أنواع مختلفة من الصور الطبية في وقت واحد: فحص PET الخام، وصورة MRI، وصورة إسقاط ثنائية الأبعاد تُعرف باسم "topogram"، وهي في الأساس لقطة سريعة ومنخفضة الجرعة بالأشعة السينية توضح الشكل العام للجسم. كان هدفهم هو تعليم الآلة كيفية دمج هذه المصادر المتميزة من المعلومات لإنشاء خريطة ثلاثية الأبعاد عالية الجودة لكثافة الأنسجة يمكن أن تحل محل فحص CT الكامل. وجد الباحثون أنه من خلال التعامل مع كل نوع من أنواع الصور بشكل مختلف ثم دمج رؤاها بعناية، يمكنهم إنشاء نموذج ينتج خرائط كثافة دقيقة، مما يسمح بدوره بالحصول على صور PET أكثر وضوحاً ودقة دون الحاجة إلى فحص CT منفصل.
كان جوهر نهجهم عبارة عن بنية رقمية مصممة لاحترام الطبيعة الفريدة لكل نوع من أنواع الصور. وخلافاً للطرق السابقة التي قد تقوم ببساطة بتكديس الصور المختلفة فوق بعضها البعض كما لو كانت طبقات من كعكة واحدة، أدرك هذا الفريق أن فحص PET، وصورة MRI، والـ topogram ثنائي الأبعاد لا تتطابق دائماً بشكل مثالي في الفراغ. بدلاً من ذلك، بنوا مسارات منفصلة لبيانات PET و MRI ثلاثية الأبعاد، مما سمح للكمبيوتر بتعلم الميزات المحددة لكل وسيط بشكل مستقل. وبينما كانت تدفقات المعلومات المنفصلة هذه تتحرك بعمق أكبر داخل النظام، تم جلبها معاً عند مستويات متعددة من التفاصيل. وفي كل مرحلة، استخدم النظام آلية لوزن أهمية المعلومات المدمجة، مما يضمن الحفاظ على التفاصيل الأكثر فائدة من كل من PET و MRI مع تصفية الضوضاء الأقل صلة.
تم التعامل مع الـ topogram ثنائي الأبعاد بطريقة فريدة لأنه يمثل الجسم بأكل في إسقاط مسطح بدلاً من كونه حجماً ثلاثي الأبعاد. وبما أنه لا يمكن مطابقته نقطة بنقطة مع المقاطع ثلاثية الأبعاد لـ PET أو MRI، فقد استخدمه الباحثون كدليل للشكل العام والتشريح الخاص بالمريض. قاموا بتغذية هذه الصورة ثنائية الأبعاد في نظام مدرب مسبقاً استخلص ملخصاً لشكل الجسم، ثم استُخدم هذا الملخص لتوجيه وتعديل مسار المعالجة ثلاثي الأبعاد الرئيسي بلطف، مما أخبر النظام: "تذكر، هذا المريض لديه هذا الشكل المحدد للجسم"، دون إجبار الصورة ثنائية الأبعاد على التوافق مع الشبكة ثلاثية الأبعاد. سمحت هذه الطريقة للنظام باستخدام الرؤية الشاملة للـ topogram لتنقيح التفاصيل المحلية للخريطة الناتجة، وهي تقنية ثبت أنها أكثر فعالية من محاولة فرض محاذاة مكانية صارمة بين أنواع الصور المختلفة.
عندما اختبر الباحثون نظامهم النهائي على أربعة أشخاص من مجموعة تحقق داخلية، كانت النتائج واعدة. كانت الخرائط التي أنشأها الكمبيوتر قريبة بشكل ملحوظ من فحوصات CT الحقيقية، مع فروق ضئيلة جداً في قيم الكثافة. والأهم من ذلك، عندما استُخدمت هذه الخرائط المولدة لتصحيح فحوصات PET، أظهرت الصور الناتية درجة عالية من الد độ. كان متوسط الخطأ في قيم الامتصاص القياسية (SUV) — وهو مقياس رئيسي لمقدار ما يمتصه الجسم من المادة المشعة — منخفضاً للغاية، وكان الانحياز في أعضاء معينة ضئيلاً. كما أدى النظام أداءً جيداً في الدماغ، وهي منطقة حرجة للكشف عن الاعتلالات، مع وجود عدد قليل جداً من القيم المتطرفة. تشير هذه النتائج إلى أن الطريقة نجحت في دمج نقاط القوة المتكاملة لمختلف وسائط التصوير لإنشاء بديل موثوق لفحص CT.
استكشف الفريق أيضاً ما إذا كان إضافة تنويعات إضافية إلى بيانات التدريب، مثل إزاحة أو تدوير الصور لمحاكاة العيوب في العالم الحقيقي، سيؤدي إلى تحسين النتائج. ووجدوا أن هذه التقنيات الشائعة لم تساعد؛ بل على العكس، كان النموذج المدرب على البيانات الأصلية غير المعدلة يؤدي بشكل أفضل من أي نسخة خضعت لهذه التنويعات. يشير هذا إلى أن البنية التي صمموها، بمسارات الترميز المنفصلة والطريقة الفريدة التي تعاملوا بها مع الـ topogram ثنائي الأبعاد، كانت قوية بما يكفي للتعامل مع التباينات الطبيعية في البيانات دون الحاجة إلى حيل اصطناعية لإجبارها على التعلم. وتخلص الدراسة إلى أن هذا النهج متعدد الوسائط يوفر مساراً قابلاً للتطبيق نحو تصحيح وهن PET عالي الجودة يتجنب جرعة الإشعاع الإضافية الناتجة عن فحص CT، بالاعتماد بدلاً من ذلك على توليف ذكي لبيانات التصوير الموجودة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.